library(kableExtra)
library(dplyr)

## 
## Attaching package: 'dplyr'

## The following object is masked from 'package:kableExtra':
## 
##     group_rows

## The following objects are masked from 'package:stats':
## 
##     filter, lag

## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

Implementación

Cargamos las librerías correspondientes.

library(CoExpNets)
library(CoExpROSMAP)
CoExpROSMAP::initDb()

## Adding 1st net to the DDBBAdding new network probad to the category CoExpROSMAP to the database
## Adding new network ad to the category CoExpROSMAP to the database
## Adding new network allsamples to the category CoExpROSMAP to the database

library(reshape2)
library(ggplot2)
library(WGCNA)
library(BioQC)
library(readxl)

Del paquete CoExpROSMAP, podemos extraer tanto los datos correspondientes a la matriz de expresión y la red de co-expresión realizada tomando todos los ejemplerares de la muestra. Esta red la denominaremos cómo gold standard.

# Cargamos la base de datos disponible
expr.data = getExprDataFromTissue(tissue="notad",
                                  which.one="CoExpROSMAP")

# Cargamos la red
net = getNetworkFromTissue(which.one="CoExpROSMAP",tissue="notad")


# Seleccionamos una submuestra de tamaño 190
set.seed(12345)
exp.data2 <- expr.data[sample(nrow(expr.data),190),]

Para esta primera exploración tomaremos una submuestra de tamaño \(190\), y lanzaremos la creación de dos redes de co-expresión con \(20\) y \(40\) bootstraps respectivamente. Esto se realiza a través del siguiente script:

library(CoExpNets)
library(CoExpROSMAP)
CoExpROSMAP::initDb()
library(WGCNA)
WGCNA::enableWGCNAThreads(8)

# Cargamos la base de datos disponible
expr.data = getExprDataFromTissue(tissue="notad",
                                  which.one="CoExpROSMAP")

# Seleccionamos una submuestra de tamaño 190
set.seed(12345)
exp.data2 <- expr.data[sample(nrow(expr.data),190),]

start.time1 <- Sys.time()
# Lanzamos el proceso de creación de la red bootstrap
set.seed(12345)
getBootstrapNetwork(mode = "bootstrap",expr.data = exp.data2, 
                    job.path = "results20/",
                    removeTOMF = TRUE, blockTOM = TRUE,
                    annotateFinalNet = TRUE,
                    b = 20)
end.time1 <- Sys.time()

tiempoEjecucion1 <- end.time1 - start.time1
print(tiempoEjecucion1)

start.time2 <- Sys.time()
# Lanzamos el proceso de creación de la red bootstrap
set.seed(12345)
getBootstrapNetwork(mode = "bootstrap",expr.data = exp.data2, 
                    job.path = "results40/",
                    removeTOMF = TRUE, blockTOM = TRUE,
                    annotateFinalNet = TRUE,
                    b = 40)
end.time2 <- Sys.time()

tiempoEjecucion2 <- end.time2 - start.time2
print(tiempoEjecucion2)

Una vez haya terminado el método descargamos las redes de co-expresión resultantes.

net.190.20 <- readRDS("netBootBootstrap.9.it.50.b.20.rds")

net.190.40 <- readRDS("netBootBootstrap.9.it.50.b.40.rds")

Análisis Comparativo

Durante esta sección trataremos de realizar un análisis comparativo extenso de las dos redes bootstraps calculadas con el proceso anterior y la red inicial, que consideramos cómo nuestra gold standard. Para ello tomaremos varias consideraciones, o indicadores, que iremos explicando poco a poco.

Número de Módulos

En primer lugar podemos estudiar el número de módulos que tiene cada red. Cabe destacar que necesitamos un número de módulos que sea informativo. En este aspecto, redes con un número de muy alto, o muy bajo, de módulos no nos interesan, puesto que perdemos resolución en el resultado. Esto lo hacemos para las tres redes que tenemos en esta primera exploración.

Vemos, inicialmente, el número de módulos que tiene la gold standard.

length(unique(net$moduleColors))

## [1] 56

Esta tiene un total de \(56\) módulos, un número elevado para lo que realmente queremos.

Sin embargo, las redes bootstraps lanzadas anteriormente, observamos que tienen un menor número de módulos.

length(unique(net.190.20$moduleColors))

## [1] 20

length(unique(net.190.40$moduleColors))

## [1] 24

La red con \(20\) bootstraps tiene \(20\) módulos, mientras que la red dada por \(40\) bootstraps posee \(24\) módulos. Estos número parecen ser algo más razonables a nivel informativo.

Sobre este primer indicador, en cuánto la número de módulos que se forman, parece que las redes bootstraps están muy lejos de la gold standard, sin embargo, parece que la red con \(40\) bootstraps tiene un número total de módulos más coherente que el resto. Aún así, entendemos que una red con \(30\) o \(40\) módulos sería más óptima que las que hemos podido observar.

expr.data2 <- expr.data[rownames(net.190.20$MEs),]

Tamaño y Entropía de los Módulos

Por otro lado tenemos el concepto de entropía. La entropía de Sannon, mide la incerdidumbre de una fuente de información. Esta cuantifica el valor esperado de la información contenida en un mensaje. La fórmula, fue introducida por Claude E. Shannon en 1948, en su ensayo A Mathematical Theory of Communication. Esta fórmula es lo que se conoce cómo desinformación \(H\):

\[ H(X)=-\sum_{i=1}^np(x_i)log_2 \frac{1}{p(x_i)} \]

La base del logaritmo se corresponde con el tipo de preguntas que se realicen. Es decir, si en vez de preguntas binarias, se hiciesen preguntas terniarias, o de algún otor número de respuestas entonces debería de cambiar dicho valor correspondiente a la base del logaritmo. En nuestro caso, usaremos la fórmula tal y cómo está, con un valor \(2\) en la base.

La entropía posee una serie de propiedades que enumeramos a continuación:

Es no negativa, lo que es evidente puesto que estamos trabajando con probabilidades. Además, \(log_2 p_i \leq 0\), luego \(-log_2 p_i \leq 0\) y se cumple la positividad.
Si tomamos un proceso con posibles resultados \({A_1,...,A_n}\), cuyas probabilidades correspondientes son \(p_1,...,p_n\). La entropía está acotada superiormente, es decir, posee un valor máximo, y este se da en el caso de que se cumpla que \(p_1=p_2=...=p_n=\frac{1}{n}\). En este caso, tendríamos la máxima incertidumbre del mensaje, la máxima desinformación, puesto que estamos considerando que los posibles valores de la variable son equiprobables.
De nuevo, si tomamos un proceso con posibles resultados \({A_1,...,A_n}\), cuyas probabilidades correspondientes son \(p_1,...,p_n\). La entropía está igualmente acotada inferiormente. En este caso, este suceso se da si \(p_i=0 \forall i\) excepto para una cierta clase \(p_j=1\). Al contrario que en el caso anterior, ahora tendríamos la mínima incertidumbre posible, o lo que es lo mismo, la máxima información posible.

En nuestro caso, la entropía viene referida sobre los módulos obtenidos en las distintas redes de co-expresión. Si todos los módulos tienen aproximadamente el mismo número de genes no sería bueno puesto que se asemeja al caso anterior de equiprobabilidad, lo que supondría poca información y mucha incertidumbre en los resultados.

Observamos, inicialmente, un gráfico de barras sobre los módulos de la red original, nuestra gold standard.

plotModSizes(tissue="notad",which.one="CoExpROSMAP")

Módulos correspondientes a la red gold standard

Del mismo modo, podemos calcular su entropía de la siguiente forma:

entropy(net$moduleColors)

## [1] 5.731378

El valor de \(5.73\) es bastante alto, si consideramos que el máximo valor, si consideramos casos equiprobables, gracias a la fórmula vista anteriormente, es de \(5.80\).

Vemos que ocurre ahora con la red bootstraps realizada con \(20\) bootstraps.

plotModSizes(tissue=net.190.20,which.one="new")

Módulos correspondientes a la red con \(20\) bootstraps sobre una submuestra de tamaño 190

Comprobamos ahora su entropía.

entropy(net.190.20$moduleColors)

## [1] 4.262722

En su caso, la entropía máxima sería de \(4.32\), y la red posee un \(4.26\), lo cual viene siendo una pequeña mejoría con respecto a la gold standard.

Por último, observamos la red de \(40\) bootstraps.

plotModSizes(tissue=net.190.40,which.one="new")

Módulos correspondientes a la red con \(40\) bootstraps sobre una submuestra de tamaño 190

Su entropía correspondiente:

entropy(net.190.40$moduleColors)

## [1] 4.551233

Para esta última red tenemos una mayor incertidumbre que en caso anteriores. El valor que nos ha dado el cálculo es de \(4.55\), mientras que su valor máximo es de \(4.58\).

Concluímos que, en base a la definición de entropía, la red con mayor información, y menos incertidumbre, se corresponde con la red dada por \(20\) bootstraps. La red con \(40\) bootstraps da poca información puesto que su entropía está bastante cercana a su valor máximo, cosa que se puede observar en el gráfico de barras sobre el tamaño de los módulos, y es que, a diferencia de la red de \(20\) bootstraps, esta no tiene esos extremos tan pronunciados, algo que se ve claramente en la escala del eje y. Lo mismo ocurre con la gold standard, y es que hay poco a diferencia en el tamaño de sus módulos.

Intra-module connectivity

Otra de las formas de estudiar la calidad de los módulos otorgados por las redes reside en estudiar la conectividad intramodular de cada uno de los módulos. Para ello, el paquete WGCNA nos da una función que calcula esos valores. Esta función se llama intramodularConnectivity.formExpr y nos devuelve un data.frame con cuatro columnas con diferentes distinciones de conectividad.

kTotal: conectividad de cada gen, basa en sus r-values, con los demás genes de la red completa.
kWithin: conectividad de cada gen dentro de su módulo correspondiente, basado en sus r-values, con todos los demás genes dentro del mismo módulo.

Posteriormente, tenemos kOut y kDiff, que son derivaciones matemáticas de las anteriores. En este caso:

\(kOut = kTotal-kWithin\)
\(kDiff = kWithin - kOut\)

A este data frame le añadiremos una columna que nos diga el módulo al que pertenece cada gen, de esta manera se nos hará más fácil agrupar los distintos genes por módulo para realizar unos cálculos correspondientes.

Comenzamos introduciendo los datos correspondientes a la gold standard.

intra <- intramodularConnectivity.fromExpr(colors = net$moduleColors,datExpr = expr.data)

##  softConnectivity: FYI: connecitivty of genes with less than 67 valid samples will be returned as NA.
##  ..calculating connectivities..

rownames(intra) <- colnames(expr.data)

intra$Module <- net$moduleColors

intra

Observamos ahora que ocurre con al red dada por \(20\) bootstraps:

expr.data2 <- expr.data[rownames(net.190.20$MEs),]
intra.20 <- intramodularConnectivity.fromExpr(colors = net.190.20$moduleColors,datExpr = expr.data2)

##  softConnectivity: FYI: connecitivty of genes with less than 64 valid samples will be returned as NA.
##  ..calculating connectivities..

rownames(intra.20) <- colnames(expr.data2)

intra.20$Module <- net.190.20$moduleColors

intra.20

Por último, hacemos lo propio con la red dada por \(40\) bootstraps.

expr.data2 <- expr.data[rownames(net.190.40$MEs),]
intra.40 <- intramodularConnectivity.fromExpr(colors = net.190.40$moduleColors,datExpr = expr.data2)

##  softConnectivity: FYI: connecitivty of genes with less than 64 valid samples will be returned as NA.
##  ..calculating connectivities..

rownames(intra.40) <- colnames(expr.data2)

intra.40$Module <- net.190.40$moduleColors

intra.40

Ahora lo que vamos a hacer es calcular la media de las disntintas distinciones de conectividad vistas antes sobre cada uno de los módulos de cada red. La columnna introducida antes nos sirve para realizar esa agrupación por módulos y, de ahí, hacer los diferentes cálculos. Con esto queremos observar las diferencias entre conectividad que existen entre los módulos.

Comenzamos inicialmente con la red gold standard

intra %>%
  group_by(Module) %>%
  summarise(meankTotal = mean(kTotal),
            meankWithin = mean(kWithin),
            meankOut = mean(kOut),meankDiff = mean(kDiff))

Vemos ahora los datos para la red con \(20\) bootstraps.

intra.20 %>%
  group_by(Module) %>%
  summarise(meankTotal = mean(kTotal),
            meankWithin = mean(kWithin),
            meankOut = mean(kOut),meankDiff = mean(kDiff))

Por último, hacemos lo propio para la red con \(40\) bootstraps.

intra.40 %>%
  group_by(Module) %>%
  summarise(meankTotal = mean(kTotal),
            meankWithin = mean(kWithin),
            meankOut = mean(kOut),meankDiff = mean(kDiff))

Cálculo del Índice Rand

El índice Rand es una medidad de similitud entre dos agrupamientos de un conjunto de elementos dado. Su valor está se encuentra en el intervalo \([0,1]\), de modo que cuanto más cercano a \(1\) más similitud existirá entre ambos clústers.

El ínice rand entre la gold standard y la red de \(20\) bootstraps de de \(0.27\) cómo podemos ver:

mclust::adjustedRandIndex(net$moduleColors,(net.190.20$moduleColors))

## [1] 0.272769

Añadiéndole \(20\) bootrstraps más nos vamos a un valor de \(0.3\):

mclust::adjustedRandIndex(net$moduleColors,net.190.40$moduleColors)

## [1] 0.3039651

En este caso, se puede observar que las dos redes bootstraps son muy poco similares a la red inicial.

Sin embargo, si comparamos las dos redes bootstraps, se tiene:

mclust::adjustedRandIndex(net.190.20$moduleColors,net.190.40$moduleColors)

## [1] 0.5501563

Dos redes más similares entre sí, aunque esa diferencia en el número de módulos hace que el índice sólo sea de \(0.55\).

El índice Rand nos está indicando cuánto de parecidas son nuestras redes. En este caso, las redes bootrstaps tienen poco similitud con la gold standard, algo que se podía intuir con los estudios vistos antes.

Anotación de las redes

Por otro lado, tenemos que estudiar las anotaciones realizadas sobre cada una de las redes, en cuanto a la ontología Gene Ontology respecto sus términos de BP, CC y MF. Cuántas más anotaciones se generen, más enriquecida estará nuestra red y más información biológica podremos obtener.

Inicialmente, deberemos de anotar nuestra gold standard. Para ello, hacemos uso del siguiente código gracais a una de la funciones del paquete de CoExpNets.

net.name  <- "net.GoldSatandard.56"
net.go = CoExpNets::getGProfilerOnNet(net.file=net,
                             exclude.iea=F,
            out.file=paste0(net.name,"_gprof.csv"))

Leemos el archivo generado:

net.go <- read.csv("net.GoldSatandard.56_gprof.csv")

Ahora podemos mostrar los módulos en orden decreciente según su número de anotaciones.

sort(table(net.go$query.number),decreasing=T)

## 
##             tan  palevioletred3       steelblue           black     darkmagenta 
##             559             326             280             253             228 
##         skyblue         magenta           plum2          salmon           plum1 
##             188             160             132             124             117 
##     lightyellow      lightpink4         salmon4       darkgreen       royalblue 
##             115             113             102              94              89 
##     greenyellow            blue          yellow      lightcyan1     yellowgreen 
##              80              78              70              59              53 
##   darkslateblue         darkred  lavenderblush3     darkorange2            cyan 
##              51              47              46              41              40 
##          purple          maroon    midnightblue         sienna3   mediumpurple3 
##              40              38              38              38              29 
##  darkolivegreen        thistle2     floralwhite       lightcyan           ivory 
##              28              25              19              17              14 
##          grey60   darkturquoise        thistle1       turquoise           green 
##              13              12              11              10               9 
## lightsteelblue1            pink           white        darkgrey    navajowhite2 
##               9               9               8               7               6 
##      lightgreen       honeydew1          orange          violet      darkorange 
##               5               4               4               4               3 
##             red         bisque4           brown        skyblue3 
##               2               1               1               1

Teniendo un total de \(3850\) anotaciones dadas por la gold standard.

sum(sort(table(net.go$query.number),decreasing=T))

## [1] 3850

Incluso podemos dividir las anotaciones según los términos ontológicos:

sort(table(net.go$domain),decreasing = T)

## 
##   BP   CC  rea   MF  keg 
## 2265  737  421  276  151

Por otro lado, en el script correspondiente al lanzamiento del método de la red bootstrap, introduciendo, anotateFinalnet=TRUE, anotamos la red bootstraps final. Ahora, podemos cargar las anotaciones, en primer lugar, para la red de \(20\) bootstraps.

net.go.20 <- read.csv("netBootBootstrap.9.it.50.b.20.rds_gprof.csv")

Igual que hemos hecho antes, mostramos los módulos órdenados, en orden decreciente según su número de anotaciones.

sort(table(net.go.20$query.number),decreasing=T)

## 
##        green       yellow   lightgreen         cyan         pink    royalblue 
##          508          453          440          221          212          130 
##  lightyellow midnightblue       salmon        black        brown       purple 
##          128           86           75           67           50           41 
##          tan    lightcyan         blue       grey60  greenyellow    turquoise 
##           41           39           38           38           23            8 
##          red      magenta 
##            6            1

Cuyo número total de anotaciones es:

sum(sort(table(net.go.20$query.number),decreasing=T))

## [1] 2605

Algo menos de lo que teníamos inicialmente.

Por último, vemos la red dada con \(40\) bootstraps. Cargamos primero los datos:

net.go.40 <- read.csv("netBootBootstrap.9.it.50.b.40.rds_gprof.csv")

Vemos la tabla correspondiente.

sort(table(net.go.40$query.number),decreasing=T)

## 
##  midnightblue        salmon        purple        yellow     turquoise 
##           517           442           430           239           216 
##     lightcyan        grey60          cyan    lightgreen          blue 
##           160           135            78            69            60 
## darkturquoise     royalblue     darkgreen      darkgrey         brown 
##            60            52            39            39            35 
##         black          pink   lightyellow           tan       darkred 
##            32            32            20            19            11 
##         green           red   greenyellow       magenta 
##            10            10             8             5

Para terminar, el número total de anotaciones.

sum(sort(table(net.go.40$query.number),decreasing=T))

## [1] 2718

Algo más que en la red anterior de \(20\) bootstraps, pero sigue siendo menos de lo que teníamos en la gold standard.

En este caso, la información biológica es mayor en cuanto a la gold standar se refiere, aunque esto se puede deber también al número de módulos correspondientes. Sin embargo, hay que ir un poco más allá. Más de \(30\) módulos de la gold standar, es decir, más del 50%, tienen menos de cincuenta anotaciones. Es más, quince de estos módulos tienen menos de \(10\) anotaciones, o lo que es lo mismo, apenas tenemos información sobre estos módulos. La red con \(24\) bootstraps, tiene exactamente el 50% de los módulos con menos de cincuenta anotaciones y tan sólo dos con menos de diez. Por último, la red con \(20\) bootstraps, aunque sea la que menos anotaciones totales no está dando, parece que tiene estas mejor distribuidas. Y esque, tan sólo \(8\) módulos tienen menos de cincuenta anotaciones, menos del 50%.

Anotación del Tipo de Célula

Por otro lado también tenemos que considerar las anotaciones realizadas sobre los tipos de célula detectados en cada una de las redes y los correspondientes p-valores de las detecciones, o lo que se nos muestra, \(-log(pval)\). En este último caso, cuanto más alto sea este valor mejor para nosotros.

En primer lugar, vemos lo que ocurre con la gold standard.

library(gplots)

celltype.net <- genAnnotationCellType(which.one="new",net.in=net,return.processed = F,doheatmap = T)

## Entering genAnnotationCellType with new 
## 7504 comparisons were successfully performed.

celltype.net <- celltype.net[apply(celltype.net, 1, function(x) any(x != 1 | is.na(x))),apply(celltype.net, 2, function(x) any(x != 1 | is.na(x))) ]
kable(celltype.net,format = "html") %>%
  kable_styling(position = "center")

	lavenderblush3	black	magenta	palevioletred3	darkolivegreen	skyblue	purple	lightcyan	lightcyan1	darkgreen	pink	maroon	salmon4	darkorange2	bisque4	lightpink4	midnightblue	ivory	tan
Astrocyte	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1	1.0000000	0.0004183	1.0000000	1.00e+00	1.0000000	1.0000000	0.0000000	1.0000000	1.0000000	1.0000000	0.0070124	1.0000000
CA1.Pyramidal	1.0000000	1.0000000	1.0000000	1.0000000	0.0029135	1.0000000	1	1.0000000	1.0000000	0.0000856	1.00e+00	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	0.0004096	1.0000000	1.0000000
Cerebellum_Bergmann_Neuroexpresso	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1	1.0000000	1.0000000	1.0000000	1.00e+00	1.0000000	1.0000000	0.0023214	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000
Cerebellum_Microglia_Neuroexpresso	1.0000000	1.0000000	1.0000000	0.0006145	1.0000000	1.0000000	1	1.0000000	1.0000000	1.0000000	1.00e+00	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	0.0000000
Cerebellum_MicrogliaActivation_Neuroexpresso	1.0000000	0.0000019	0.0169336	0.0002473	1.0000000	1.0000000	1	1.0000000	1.0000000	1.0000000	1.00e+00	1.0000000	1.0000000	1.0000000	1.0000000	0.0026494	1.0000000	1.0000000	0.0000000
Cerebellum_MicrogliaDeactivation_Neuroexpresso	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1	1.0000000	1.0000000	1.0000000	1.00e+00	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	0.0000000
Cerebellum_Oligo_Neuroexpresso	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	0	1.0000000	1.0000000	1.0000000	1.00e+00	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000
Cortex_Endothelial_Neuroexpresso	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	0.0000000	1	1.0000000	1.0000000	1.0000000	1.00e+00	0.0000000	0.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000
Cortex_GabaPV_Neuroexpresso	0.0000019	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1	1.0000000	1.0000000	1.0000000	1.00e+00	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000
Cortex_GabaVIPReln_Neuroexpresso	0.0307776	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1	1.0000000	1.0000000	1.0000000	1.00e+00	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000
Cortex_Microglia_Neuroexpresso	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1	1.0000000	1.0000000	1.0000000	1.00e+00	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	0.0000000
Cortex_MicrogliaActivation_Neuroexpresso	1.0000000	0.0000377	1.0000000	1.0000000	1.0000000	1.0000000	1	1.0000000	1.0000000	1.0000000	1.00e+00	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	0.0000000
Cortex_MicrogliaDeactivation_Neuroexpresso	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1	1.0000000	1.0000000	1.0000000	1.00e+00	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	0.0000000
Cortex_Oligo_Neuroexpresso	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	0	1.0000000	1.0000000	1.0000000	7.79e-05	1.0000000	1.0000000	1.0000000	0.0000000	1.0000000	1.0000000	1.0000000	1.0000000
DAMANIS_MICROGLIA	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1	1.0000000	1.0000000	1.0000000	1.00e+00	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	0.0000000
DARMANIS_ASTROCYES	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1	1.0000000	1.0000000	1.0000000	1.00e+00	1.0000000	1.0000000	0.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000
DARMANIS_ENDOTHELIAL	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	0.0001098	1	1.0000000	1.0000000	1.0000000	1.00e+00	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000
DARMANIS_MIXTURENEUASTRO	0.0262265	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1	1.0000000	1.0000000	1.0000000	1.00e+00	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000
DARMANIS_OLIGO	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	0	1.0000000	1.0000000	1.0000000	1.00e+00	1.0000000	1.0000000	1.0000000	0.0000486	1.0000000	1.0000000	1.0000000	1.0000000
DARMANIS_OPCS	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	0.0005476	1	1.0000000	1.0000000	1.0000000	1.00e+00	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000
Endothelial	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	0.0000000	1	1.0000000	1.0000000	1.0000000	1.00e+00	0.0000000	0.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000
Ependymal	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1	0.0053689	1.0000000	1.0000000	1.00e+00	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000
Ex1	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1	1.0000000	1.0000000	0.0000000	1.00e+00	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000
Ex7	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1	1.0000000	1.0000000	0.0443938	1.00e+00	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000
GABASST_HIPPD_Neuroexpresso	0.0000375	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1	1.0000000	1.0000000	1.0000000	1.00e+00	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000
Hippocampus_GabaSSTRein_Neuroexpresso	0.0000375	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1	1.0000000	1.0000000	1.0000000	1.00e+00	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000
Hippocampus_MicrogliaActivation_Neuroexpresso	1.0000000	0.0002924	0.0038691	1.0000000	1.0000000	1.0000000	1	1.0000000	1.0000000	1.0000000	1.00e+00	0.0193519	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	0.0000000
Hippocampus_MicrogliaDeactivation_Neuroexpresso	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1	1.0000000	1.0000000	1.0000000	1.00e+00	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	0.0000000
Hippocampus_Oligo_Neuroexpresso	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	0	1.0000000	1.0000000	1.0000000	1.00e+00	1.0000000	1.0000000	1.0000000	0.0001412	1.0000000	1.0000000	1.0000000	1.0000000
Hyppocampus_Microglia_Neuroexpresso	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1	1.0000000	1.0000000	1.0000000	1.00e+00	0.0311587	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	0.0000000
In6	0.0000027	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1	1.0000000	1.0000000	1.0000000	1.00e+00	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000
Interneuron	0.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1	1.0000000	1.0000000	1.0000000	1.00e+00	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000
Macrophages	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1	1.0000000	1.0000000	1.0000000	1.00e+00	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	0.0151179
Microglia	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1	1.0000000	1.0000000	1.0000000	1.00e+00	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	0.0000000
Mural	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1	1.0000000	1.0000000	1.0000000	1.00e+00	1.0000000	0.0205835	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000
Neuroexpresso_CortexD_GabaPV	0.0006021	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1	1.0000000	1.0000000	1.0000000	1.00e+00	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000
Neuron_Interneuton	0.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1	1.0000000	1.0000000	1.0000000	1.00e+00	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000
Neuron_Pyramidal_CA1	1.0000000	1.0000000	1.0000000	1.0000000	0.0029135	1.0000000	1	1.0000000	1.0000000	0.0000856	1.00e+00	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	0.0004096	1.0000000	1.0000000
Neutrophils	1.0000000	0.0292008	1.0000000	1.0000000	1.0000000	1.0000000	1	1.0000000	1.0000000	1.0000000	1.00e+00	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000
Oligodendrocyte	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	0	1.0000000	1.0000000	1.0000000	0.00e+00	1.0000000	1.0000000	1.0000000	0.0000000	1.0000000	1.0000000	1.0000000	1.0000000
Pyramidal_CA1	1.0000000	1.0000000	1.0000000	1.0000000	0.0029135	1.0000000	1	1.0000000	1.0000000	0.0000856	1.00e+00	1.0000000	1.0000000	1.0000000	1.0000000	1.0000000	0.0004096	1.0000000	1.0000000

Vemos ahora lo mismo con la red dada por \(20\) bootstraps.

celltype.net.20 <- genAnnotationCellType(which.one="new",net.in=net.190.20,return.processed = F,doheatmap = T)

## Entering genAnnotationCellType with new 
## 2680 comparisons were successfully performed.

celltype.net.20 <- celltype.net.20[apply(celltype.net.20, 1, function(x) any(x != 1 | is.na(x))),apply(celltype.net.20, 2, function(x) any(x != 1 | is.na(x))) ]
kable(celltype.net.20,format = "html") %>%
  kable_styling(position = "center")

	black	pink	turquoise	green	lightgreen	lightyellow	yellow	lightcyan	cyan	magenta
Astrocyte	0.0e+00	1e+00	1.00e+00	1.0000000	1.000000	1.0000000	1.0000000	1.0000000	1.00e+00	1.0000000
CA1.Pyramidal	1.0e+00	0e+00	1.47e-05	1.0000000	1.000000	1.0000000	1.0000000	1.0000000	1.00e+00	1.0000000
Cerebellum_Bergmann_Neuroexpresso	4.6e-06	1e+00	1.00e+00	1.0000000	1.000000	1.0000000	1.0000000	1.0000000	1.00e+00	1.0000000
Cerebellum_Microglia_Neuroexpresso	1.0e+00	1e+00	1.00e+00	0.0009254	1.000000	1.0000000	0.0000000	1.0000000	1.00e+00	1.0000000
Cerebellum_MicrogliaActivation_Neuroexpresso	1.0e+00	1e+00	1.00e+00	0.0000000	1.000000	1.0000000	0.0000000	1.0000000	1.00e+00	1.0000000
Cerebellum_MicrogliaDeactivation_Neuroexpresso	1.0e+00	1e+00	1.00e+00	1.0000000	1.000000	1.0000000	0.0000000	1.0000000	1.00e+00	1.0000000
Cerebellum_Oligo_Neuroexpresso	1.0e+00	1e+00	1.00e+00	1.0000000	1.000000	1.0000000	1.0000000	0.0000000	1.00e+00	1.0000000
Cortex_Endothelial_Neuroexpresso	1.0e+00	1e+00	1.00e+00	0.0001250	1.000000	1.0000000	1.0000000	1.0000000	0.00e+00	1.0000000
Cortex_Microglia_Neuroexpresso	1.0e+00	1e+00	1.00e+00	1.0000000	1.000000	1.0000000	0.0000000	1.0000000	1.00e+00	1.0000000
Cortex_MicrogliaActivation_Neuroexpresso	1.0e+00	1e+00	1.00e+00	0.0000000	1.000000	1.0000000	0.0000000	1.0000000	1.00e+00	1.0000000
Cortex_MicrogliaDeactivation_Neuroexpresso	1.0e+00	1e+00	1.00e+00	1.0000000	1.000000	1.0000000	0.0000000	1.0000000	1.00e+00	1.0000000
Cortex_Oligo_Neuroexpresso	1.0e+00	1e+00	1.00e+00	1.0000000	1.000000	1.0000000	1.0000000	0.0000000	1.00e+00	1.0000000
Cortex_OligoPrecursors_Neuroexpresso	1.0e+00	1e+00	1.00e+00	1.0000000	1.000000	1.0000000	1.0000000	0.0069741	1.00e+00	1.0000000
DAMANIS_MICROGLIA	1.0e+00	1e+00	1.00e+00	1.0000000	1.000000	1.0000000	0.0000000	1.0000000	1.00e+00	1.0000000
DARMANIS_ASTROCYES	0.0e+00	1e+00	1.00e+00	1.0000000	1.000000	1.0000000	1.0000000	1.0000000	1.00e+00	1.0000000
DARMANIS_ENDOTHELIAL	1.0e+00	1e+00	1.00e+00	1.0000000	1.000000	1.0000000	1.0000000	1.0000000	0.00e+00	1.0000000
DARMANIS_OLIGO	1.0e+00	1e+00	1.00e+00	1.0000000	1.000000	1.0000000	1.0000000	0.0000000	1.00e+00	1.0000000
Dopaminergic	1.0e+00	1e+00	1.00e+00	1.0000000	0.017588	0.0005611	1.0000000	1.0000000	1.00e+00	1.0000000
Endothelial	1.0e+00	1e+00	1.00e+00	0.0158786	1.000000	1.0000000	1.0000000	1.0000000	0.00e+00	1.0000000
Ex1	1.0e+00	0e+00	1.00e+00	1.0000000	1.000000	1.0000000	1.0000000	1.0000000	1.00e+00	1.0000000
GABASST_HIPPD_Neuroexpresso	1.0e+00	1e+00	1.00e+00	1.0000000	1.000000	1.0000000	1.0000000	1.0000000	1.00e+00	0.0056462
Hippocampus_GabaSSTRein_Neuroexpresso	1.0e+00	1e+00	1.00e+00	1.0000000	1.000000	1.0000000	1.0000000	1.0000000	1.00e+00	0.0056462
Hippocampus_MicrogliaActivation_Neuroexpresso	1.0e+00	1e+00	1.00e+00	0.0000000	1.000000	1.0000000	0.0000000	1.0000000	1.00e+00	1.0000000
Hippocampus_MicrogliaDeactivation_Neuroexpresso	1.0e+00	1e+00	1.00e+00	1.0000000	1.000000	1.0000000	0.0000000	1.0000000	1.00e+00	1.0000000
Hippocampus_Oligo_Neuroexpresso	1.0e+00	1e+00	1.00e+00	1.0000000	1.000000	1.0000000	1.0000000	0.0000000	1.00e+00	1.0000000
Hyppocampus_Microglia_Neuroexpresso	1.0e+00	1e+00	1.00e+00	0.0308715	1.000000	1.0000000	0.0000000	1.0000000	1.00e+00	1.0000000
Interneuron	1.0e+00	9e-07	1.00e+00	1.0000000	1.000000	0.0012644	1.0000000	1.0000000	1.00e+00	1.0000000
Macrophages	1.0e+00	1e+00	1.00e+00	1.0000000	1.000000	1.0000000	0.0033251	1.0000000	1.00e+00	1.0000000
Microglia	1.0e+00	1e+00	1.00e+00	1.0000000	1.000000	1.0000000	0.0000000	1.0000000	1.00e+00	1.0000000
Mural	1.0e+00	1e+00	1.00e+00	1.0000000	1.000000	1.0000000	1.0000000	1.0000000	5.92e-05	1.0000000
Neuron_Interneuton	1.0e+00	9e-07	1.00e+00	1.0000000	1.000000	0.0012644	1.0000000	1.0000000	1.00e+00	1.0000000
Neuron_Pyramidal_CA1	1.0e+00	0e+00	1.47e-05	1.0000000	1.000000	1.0000000	1.0000000	1.0000000	1.00e+00	1.0000000
Neuron_Pyramidal_S1	1.0e+00	1e+00	1.00e+00	1.0000000	1.000000	0.0065439	1.0000000	1.0000000	1.00e+00	1.0000000
Oligodendrocyte	1.0e+00	1e+00	1.00e+00	1.0000000	1.000000	1.0000000	1.0000000	0.0000000	1.00e+00	1.0000000
Pyramidal_CA1	1.0e+00	0e+00	1.47e-05	1.0000000	1.000000	1.0000000	1.0000000	1.0000000	1.00e+00	1.0000000
Pyramidal_S1	1.0e+00	1e+00	1.00e+00	1.0000000	1.000000	0.0065439	1.0000000	1.0000000	1.00e+00	1.0000000
S1.Pyramidal	1.0e+00	1e+00	1.00e+00	1.0000000	1.000000	0.0065439	1.0000000	1.0000000	1.00e+00	1.0000000

Por último, vemos los datos correspondientes a la red con \(24\) bootstraps.

celltype.net.40 <- genAnnotationCellType(which.one="new",net.in=net.190.40,return.processed = F,doheatmap = T)

## Entering genAnnotationCellType with new 
## 3216 comparisons were successfully performed.

celltype.net.40 <- celltype.net.40[apply(celltype.net.40, 1, function(x) any(x != 1 | is.na(x))),apply(celltype.net.40, 2, function(x) any(x != 1 | is.na(x))) ]
kable(celltype.net.40,format = "html") %>%
  kable_styling(position = "center")

	darkgreen	turquoise	midnightblue	grey60	magenta	salmon	purple	yellow	brown
Astrocyte	0.0e+00	1.0000000	1.0000000	1.0e+00	1.0000000	1.0000000	1.0000000	1.00e+00	1.0000000
CA1.Pyramidal	1.0e+00	0.0000000	1.0000000	1.0e+00	0.0000002	1.0000000	1.0000000	1.00e+00	1.0000000
Cerebellum_Bergmann_Neuroexpresso	9.7e-06	1.0000000	1.0000000	1.0e+00	1.0000000	1.0000000	1.0000000	1.00e+00	1.0000000
Cerebellum_Microglia_Neuroexpresso	1.0e+00	1.0000000	0.0002574	1.0e+00	1.0000000	0.0000000	1.0000000	1.00e+00	1.0000000
Cerebellum_MicrogliaActivation_Neuroexpresso	1.0e+00	1.0000000	0.0000000	1.0e+00	1.0000000	0.0000000	1.0000000	1.00e+00	1.0000000
Cerebellum_MicrogliaDeactivation_Neuroexpresso	1.0e+00	1.0000000	1.0000000	1.0e+00	1.0000000	0.0000000	1.0000000	1.00e+00	1.0000000
Cerebellum_Oligo_Neuroexpresso	1.0e+00	1.0000000	1.0000000	1.0e+00	1.0000000	1.0000000	1.0000000	1.00e+00	0.0000000
Cortex_Endothelial_Neuroexpresso	1.0e+00	1.0000000	0.0000329	1.0e+00	1.0000000	1.0000000	1.0000000	0.00e+00	1.0000000
Cortex_Microglia_Neuroexpresso	1.0e+00	1.0000000	0.0236459	1.0e+00	1.0000000	0.0000000	1.0000000	1.00e+00	1.0000000
Cortex_MicrogliaActivation_Neuroexpresso	1.0e+00	1.0000000	0.0000000	1.0e+00	1.0000000	0.0000000	1.0000000	1.00e+00	1.0000000
Cortex_MicrogliaDeactivation_Neuroexpresso	1.0e+00	1.0000000	1.0000000	1.0e+00	1.0000000	0.0000000	1.0000000	1.00e+00	1.0000000
Cortex_Oligo_Neuroexpresso	1.0e+00	1.0000000	1.0000000	1.0e+00	1.0000000	1.0000000	1.0000000	1.00e+00	0.0000000
Cortex_OligoPrecursors_Neuroexpresso	1.0e+00	1.0000000	1.0000000	1.0e+00	1.0000000	1.0000000	1.0000000	1.00e+00	0.0019654
Cortex_Pyramidal_Neuroexpresso	1.0e+00	1.0000000	1.0000000	1.0e+00	0.0060274	1.0000000	1.0000000	1.00e+00	1.0000000
DAMANIS_MICROGLIA	1.0e+00	1.0000000	1.0000000	1.0e+00	1.0000000	0.0000000	1.0000000	1.00e+00	1.0000000
DARMANIS_ASTROCYES	0.0e+00	1.0000000	1.0000000	1.0e+00	1.0000000	1.0000000	1.0000000	1.00e+00	1.0000000
DARMANIS_ENDOTHELIAL	1.0e+00	1.0000000	1.0000000	1.0e+00	1.0000000	1.0000000	1.0000000	0.00e+00	1.0000000
DARMANIS_OLIGO	1.0e+00	1.0000000	1.0000000	1.0e+00	1.0000000	1.0000000	1.0000000	1.00e+00	0.0000000
Dopaminergic	1.0e+00	1.0000000	1.0000000	1.0e+00	1.0000000	1.0000000	0.0045948	1.00e+00	1.0000000
Endothelial	1.0e+00	1.0000000	0.0058938	1.0e+00	1.0000000	1.0000000	1.0000000	0.00e+00	1.0000000
Ex1	1.0e+00	0.0000000	1.0000000	1.0e+00	1.0000000	1.0000000	1.0000000	1.00e+00	1.0000000
Ex7	1.0e+00	0.0256722	1.0000000	1.0e+00	1.0000000	1.0000000	1.0000000	1.00e+00	1.0000000
Hippocampus_MicrogliaActivation_Neuroexpresso	1.0e+00	1.0000000	0.0000000	1.0e+00	1.0000000	0.0000000	1.0000000	1.00e+00	1.0000000
Hippocampus_MicrogliaDeactivation_Neuroexpresso	1.0e+00	1.0000000	1.0000000	1.0e+00	1.0000000	0.0000000	1.0000000	1.00e+00	1.0000000
Hippocampus_Oligo_Neuroexpresso	1.0e+00	1.0000000	1.0000000	1.0e+00	1.0000000	1.0000000	1.0000000	1.00e+00	0.0000000
Hyppocampus_Microglia_Neuroexpresso	1.0e+00	1.0000000	0.0121718	1.0e+00	1.0000000	0.0000000	1.0000000	1.00e+00	1.0000000
Interneuron	1.0e+00	0.0000001	1.0000000	7.3e-06	1.0000000	1.0000000	1.0000000	1.00e+00	1.0000000
Macrophages	1.0e+00	1.0000000	1.0000000	1.0e+00	1.0000000	0.0386964	1.0000000	1.00e+00	1.0000000
Microglia	1.0e+00	1.0000000	0.0028393	1.0e+00	1.0000000	0.0000000	1.0000000	1.00e+00	1.0000000
Mural	1.0e+00	1.0000000	1.0000000	1.0e+00	1.0000000	1.0000000	1.0000000	2.94e-05	1.0000000
Neuron_Interneuton	1.0e+00	0.0000001	1.0000000	7.3e-06	1.0000000	1.0000000	1.0000000	1.00e+00	1.0000000
Neuron_Pyramidal_CA1	1.0e+00	0.0000000	1.0000000	1.0e+00	0.0000002	1.0000000	1.0000000	1.00e+00	1.0000000
Oligodendrocyte	1.0e+00	1.0000000	1.0000000	1.0e+00	1.0000000	1.0000000	1.0000000	1.00e+00	0.0000000
Pyramidal_CA1	1.0e+00	0.0000000	1.0000000	1.0e+00	0.0000002	1.0000000	1.0000000	1.00e+00	1.0000000

Si nos fijamos en los gráficos correspondientes, se puede ver cómo en la red con \(20\) bootstraps posee más términos expresados en dicho gráfico sobre distintos tipos de célula, mientras que la red con \(40\) bootstraps es la que menos tiene, por lo que esa primera red mecionada es la mejor de las dos redes bootstraps en cuanto a indicaciones del tipo de célula se refiere. Por otro lado, la gold standard también tiene menos indicadores que la red con \(20\) bootstraps.

Es más, esta última red de \(20\) bootstraps nos da un módulo bastante más expresado en Astrocitos que la gold standard. El término Pyramidal_CA1 también tiene más expresión, menor p-valor, en la red bootstraps que en la gold standard. Luego, también existen algún que otro término, cómo Pyramidal_S1 que en el gráfico correspondiente a la gold standard no apare puesto que no tiene un mínimo en cuánto a su p-valor se refiere mientras que sí aparece con la red bootstraps correspondiente. En este caso, se concluye que, en cuánto a los términos sobre el tipo de célula, la red con \(20\) bootstraps, está aportando más información que el resto de redes.

Overlaps sobre MM

Durante esta secciíon realizaremos un estudio de overlaps sobre los genes pertenecientes a cada módulo, primero entre la gold standard y la red con \(20\) bootstraps y, posteriormente, haremos lo propio con la red de \(40\) bootstraps. Sin embargo, no tomaremos todos los genes de cada módulo, si no que sólo escogeremos aquellos con mayor Module Membership.

El concepto de Module Membership, puede entenderse cómo una correlación entre un gen y el Module Eigengene del módulo correspondiente. En este caso, genes con un valor alto de MM, son buenos representantes del perfil de expresión global del módulo correspondiente. Del mismo modo, esos genes con valor alto de MM, tienden a ser genes centrales dentro del módulo, es decir, genes con una alta intraconectividad dentro del módulo.

En este caso, inicialmente, lo que haremos será tomar tan sólo 5% de los genes de cada módulo, ordenados previamente según su MM. Posteriormente, usaremos la función genCrossTabPlot para realizar el correspondiente gráfico de overlaps entre módulos.

Comparamos primero la red gold standar con la red dada por \(20\) bootstraps:

mms.net <- getMM(which.one = "CoExpROSMAP",tissue = "notad",genes=NULL)

mms.net$module <- as.factor(mms.net$module)
nombres <- c()
for(i in levels(mms.net$module)){
  suma = sum(net$moduleColors == i)
  percent = 5*suma/100
  percent = round(percent,digits = 0)
  mms <- mms.net[which(mms.net$module == i),]
  mmsOrder <- mms[order(mms$mm,decreasing = T),]
  
  for(j in 1:percent){
    nombres <- c(nombres,mmsOrder$ensgene[j])
  }
}

net.MM.module <- net$moduleColors[nombres]

expr.data2 <- expr.data[rownames(net.190.20$MEs),]
mms.20 = getMM(net = net.190.20,expr.data.file = expr.data2,genes = NULL)

mms.20$module <- as.factor(mms.20$module)
nombres20 <- c()
for(i in levels(mms.20$module)){
  suma = sum(net.190.20$moduleColors == i)
  percent = 5*suma/100
  percent = round(percent,digits = 0)
  mms <- mms.net[which(mms.net$module == i),]
  mmsOrder <- mms[order(mms$mm,decreasing = T),]
  
  for(j in 1:percent){
    nombres20 <- c(nombres20,mmsOrder$ensgene[j])
  }
}
nombres20 <- nombres20[-1]

net.MM.module.20 <- net.190.20$moduleColors[nombres20]

genCrossTabPlot(net.MM.module
                ,net.MM.module.20)

## Warning in greenWhiteRed(100): WGCNA::greenWhiteRed: this palette is not suitable for people
## with green-red color blindness (the most common kind of color blindness).
## Consider using the function blueWhiteRed instead.

##                        black         blue        brown      cyan        green
## bisque4         1.000000e+00 1.000000e+00 1.000000e+00 1.0000000 1.306367e-13
## black           1.000000e+00 1.000000e+00 1.000000e+00 1.0000000 8.517598e-16
## blue            1.000000e+00 1.000000e+00 1.000000e+00 1.0000000 7.384132e-01
## brown           1.000000e+00 1.000000e+00 1.000000e+00 1.0000000 1.000000e+00
## brown4          1.000000e+00 3.523562e-01 1.000000e+00 1.0000000 1.000000e+00
## cyan            1.000000e+00 7.313447e-16 1.000000e+00 1.0000000 1.000000e+00
## darkgreen       1.000000e+00 6.853516e-17 1.000000e+00 1.0000000 1.000000e+00
## darkgrey        1.000000e+00 4.253166e-07 1.000000e+00 1.0000000 1.000000e+00
## darkmagenta     1.000000e+00 1.321310e-10 1.000000e+00 1.0000000 1.000000e+00
## darkolivegreen  1.000000e+00 3.523562e-01 1.000000e+00 1.0000000 1.000000e+00
## darkorange      1.000000e+00 9.519487e-01 7.180231e-04 1.0000000 1.000000e+00
## darkorange2     1.000000e+00 2.227255e-01 1.624526e-05 1.0000000 1.000000e+00
## darkred         1.000000e+00 1.000000e+00 9.076883e-05 1.0000000 1.000000e+00
## darkslateblue   1.000000e+00 1.000000e+00 1.000000e+00 1.0000000 1.000000e+00
## darkturquoise   1.000000e+00 1.000000e+00 1.000000e+00 1.0000000 1.000000e+00
## floralwhite     1.000000e+00 1.000000e+00 1.000000e+00 1.0000000 1.000000e+00
## green           1.000000e+00 1.000000e+00 1.000000e+00 1.0000000 1.000000e+00
## greenyellow     1.000000e+00 1.000000e+00 1.000000e+00 1.0000000 1.000000e+00
## grey60          7.523852e-11 1.000000e+00 1.000000e+00 1.0000000 1.000000e+00
## honeydew1       2.323606e-03 1.000000e+00 1.000000e+00 1.0000000 1.000000e+00
## ivory           1.000000e+00 1.000000e+00 1.000000e+00 1.0000000 1.000000e+00
## lavenderblush3  1.000000e+00 1.000000e+00 1.000000e+00 1.0000000 1.000000e+00
## lightcyan       1.000000e+00 1.000000e+00 1.000000e+00 1.0000000 1.000000e+00
## lightcyan1      1.000000e+00 1.000000e+00 1.000000e+00 1.0000000 1.000000e+00
## lightgreen      1.000000e+00 1.000000e+00 1.000000e+00 1.0000000 1.000000e+00
## lightpink4      1.000000e+00 1.000000e+00 1.000000e+00 1.0000000 1.000000e+00
## lightsteelblue1 1.000000e+00 1.000000e+00 1.000000e+00 1.0000000 2.075684e-03
## lightyellow     1.000000e+00 1.000000e+00 1.000000e+00 1.0000000 1.718198e-12
## magenta         1.000000e+00 1.000000e+00 1.000000e+00 1.0000000 1.306367e-13
## maroon          1.000000e+00 1.000000e+00 1.000000e+00 1.0000000 4.192900e-06
## mediumpurple3   1.000000e+00 1.000000e+00 1.000000e+00 1.0000000 1.000000e+00
## midnightblue    1.000000e+00 1.000000e+00 1.000000e+00 1.0000000 1.000000e+00
## navajowhite2    1.000000e+00 1.000000e+00 1.000000e+00 1.0000000 1.000000e+00
## orange          1.000000e+00 1.000000e+00 1.000000e+00 1.0000000 1.000000e+00
## paleturquoise   1.000000e+00 1.000000e+00 1.000000e+00 1.0000000 1.000000e+00
## palevioletred3  1.000000e+00 1.000000e+00 1.000000e+00 1.0000000 1.000000e+00
## pink            1.000000e+00 1.000000e+00 1.000000e+00 1.0000000 1.000000e+00
## plum1           1.000000e+00 1.000000e+00 1.000000e+00 1.0000000 1.000000e+00
## plum2           1.000000e+00 1.000000e+00 1.000000e+00 1.0000000 1.000000e+00
## purple          1.000000e+00 1.000000e+00 1.000000e+00 1.0000000 1.000000e+00
## red             1.000000e+00 1.000000e+00 1.000000e+00 1.0000000 1.000000e+00
## royalblue       1.000000e+00 1.000000e+00 1.000000e+00 1.0000000 1.000000e+00
## salmon          1.000000e+00 1.000000e+00 1.000000e+00 1.0000000 1.000000e+00
## salmon4         1.000000e+00 1.000000e+00 1.000000e+00 1.0000000 1.000000e+00
## sienna3         1.000000e+00 1.000000e+00 1.000000e+00 1.0000000 1.000000e+00
## skyblue         1.000000e+00 1.000000e+00 1.000000e+00 1.0000000 1.000000e+00
## skyblue3        1.000000e+00 1.000000e+00 1.000000e+00 1.0000000 1.000000e+00
## steelblue       5.216694e-01 1.000000e+00 1.000000e+00 0.3040304 1.000000e+00
## tan             1.000000e+00 1.000000e+00 1.000000e+00 1.0000000 1.000000e+00
## thistle1        1.000000e+00 1.000000e+00 1.000000e+00 1.0000000 1.000000e+00
## thistle2        1.000000e+00 1.000000e+00 1.000000e+00 1.0000000 1.000000e+00
## turquoise       1.000000e+00 1.000000e+00 1.000000e+00 1.0000000 1.000000e+00
## violet          1.000000e+00 1.000000e+00 1.000000e+00 1.0000000 1.000000e+00
## white           1.000000e+00 1.000000e+00 1.000000e+00 1.0000000 1.000000e+00
## yellow          1.000000e+00 1.000000e+00 1.574256e-06 1.0000000 1.000000e+00
## yellowgreen     1.000000e+00 1.000000e+00 3.830865e-15 1.0000000 1.000000e+00
##                  greenyellow       grey60    lightcyan   lightgreen
## bisque4         1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## black           1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## blue            1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## brown           1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## brown4          1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## cyan            1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## darkgreen       1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## darkgrey        1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## darkmagenta     1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## darkolivegreen  1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## darkorange      1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## darkorange2     1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## darkred         1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## darkslateblue   1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## darkturquoise   1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## floralwhite     1.427112e-03 1.000000e+00 1.000000e+00 1.000000e+00
## green           6.853516e-17 1.000000e+00 1.000000e+00 1.000000e+00
## greenyellow     6.919671e-19 1.000000e+00 1.000000e+00 1.000000e+00
## grey60          1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## honeydew1       1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## ivory           1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## lavenderblush3  1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## lightcyan       1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## lightcyan1      1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## lightgreen      1.000000e+00 1.470467e-10 1.000000e+00 1.000000e+00
## lightpink4      1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## lightsteelblue1 1.000000e+00 2.542672e-01 1.000000e+00 1.000000e+00
## lightyellow     1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## magenta         1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## maroon          1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## mediumpurple3   1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## midnightblue    1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## navajowhite2    1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## orange          1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## paleturquoise   1.000000e+00 1.000000e+00 1.314051e-09 1.000000e+00
## palevioletred3  1.000000e+00 1.000000e+00 3.318005e-01 1.000000e+00
## pink            1.000000e+00 1.000000e+00 5.216454e-06 1.000000e+00
## plum1           1.000000e+00 1.000000e+00 1.808874e-11 1.000000e+00
## plum2           1.000000e+00 1.000000e+00 6.853516e-17 1.000000e+00
## purple          1.000000e+00 1.000000e+00 1.976773e-12 1.000000e+00
## red             1.000000e+00 1.000000e+00 1.976773e-12 1.000000e+00
## royalblue       1.000000e+00 1.000000e+00 2.347517e-13 1.000000e+00
## salmon          1.000000e+00 8.625587e-14 1.000000e+00 1.000000e+00
## salmon4         1.000000e+00 4.836127e-10 1.000000e+00 1.000000e+00
## sienna3         1.000000e+00 4.191537e-11 1.000000e+00 1.000000e+00
## skyblue         1.000000e+00 1.000000e+00 1.000000e+00 6.678914e-08
## skyblue3        1.000000e+00 1.000000e+00 1.000000e+00 3.471320e-08
## steelblue       1.000000e+00 1.000000e+00 1.000000e+00 7.371610e-04
## tan             1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## thistle1        1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## thistle2        1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## turquoise       1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## violet          1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## white           1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## yellow          1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## yellowgreen     1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
##                  lightyellow     magenta midnightblue         pink       purple
## bisque4         1.000000e+00 1.000000000 1.000000e+00 1.000000e+00 1.000000e+00
## black           1.000000e+00 1.000000000 1.000000e+00 1.000000e+00 1.000000e+00
## blue            1.000000e+00 1.000000000 7.012848e-17 1.000000e+00 1.000000e+00
## brown           1.000000e+00 1.000000000 7.012848e-17 1.000000e+00 5.216694e-01
## brown4          1.000000e+00 1.000000000 5.235078e-05 1.000000e+00 1.000000e+00
## cyan            1.000000e+00 1.000000000 1.000000e+00 1.000000e+00 1.000000e+00
## darkgreen       1.000000e+00 1.000000000 1.000000e+00 1.000000e+00 1.000000e+00
## darkgrey        1.000000e+00 1.000000000 1.000000e+00 1.000000e+00 1.000000e+00
## darkmagenta     1.000000e+00 1.000000000 1.000000e+00 1.000000e+00 1.000000e+00
## darkolivegreen  1.000000e+00 0.006891578 1.000000e+00 1.000000e+00 1.000000e+00
## darkorange      1.000000e+00 1.000000000 1.000000e+00 1.000000e+00 1.000000e+00
## darkorange2     1.000000e+00 1.000000000 1.000000e+00 1.000000e+00 1.000000e+00
## darkred         1.000000e+00 1.000000000 1.000000e+00 1.000000e+00 1.000000e+00
## darkslateblue   3.487137e-14 1.000000000 1.000000e+00 1.000000e+00 1.000000e+00
## darkturquoise   2.035610e-20 1.000000000 1.000000e+00 1.000000e+00 1.000000e+00
## floralwhite     4.191537e-11 1.000000000 1.000000e+00 1.000000e+00 1.000000e+00
## green           1.000000e+00 1.000000000 1.000000e+00 1.000000e+00 1.000000e+00
## greenyellow     1.000000e+00 1.000000000 1.000000e+00 1.000000e+00 1.000000e+00
## grey60          1.000000e+00 1.000000000 1.000000e+00 1.000000e+00 3.743064e-05
## honeydew1       1.000000e+00 1.000000000 1.000000e+00 1.000000e+00 5.719297e-09
## ivory           1.000000e+00 0.004453445 1.000000e+00 1.000000e+00 3.056734e-06
## lavenderblush3  1.000000e+00 0.893655123 1.000000e+00 1.000000e+00 4.139139e-04
## lightcyan       1.000000e+00 1.000000000 1.000000e+00 1.000000e+00 4.192900e-06
## lightcyan1      1.000000e+00 0.136613873 1.000000e+00 1.425257e-04 9.862715e-01
## lightgreen      1.000000e+00 1.000000000 1.000000e+00 1.948661e-07 1.000000e+00
## lightpink4      1.000000e+00 1.000000000 1.000000e+00 1.000000e+00 1.000000e+00
## lightsteelblue1 1.000000e+00 1.000000000 1.000000e+00 7.574339e-02 1.000000e+00
## lightyellow     1.000000e+00 1.000000000 1.000000e+00 1.000000e+00 1.000000e+00
## magenta         1.000000e+00 1.000000000 1.000000e+00 1.000000e+00 1.000000e+00
## maroon          1.000000e+00 1.000000000 1.000000e+00 1.000000e+00 1.000000e+00
## mediumpurple3   1.000000e+00 1.000000000 1.000000e+00 1.000000e+00 1.000000e+00
## midnightblue    1.000000e+00 1.000000000 1.000000e+00 1.000000e+00 1.000000e+00
## navajowhite2    1.000000e+00 1.000000000 1.000000e+00 6.864123e-01 1.000000e+00
## orange          1.000000e+00 1.000000000 1.000000e+00 1.000000e+00 1.000000e+00
## paleturquoise   1.000000e+00 1.000000000 1.000000e+00 1.000000e+00 1.000000e+00
## palevioletred3  1.000000e+00 1.000000000 1.000000e+00 1.000000e+00 1.000000e+00
## pink            1.000000e+00 1.000000000 1.000000e+00 1.000000e+00 1.000000e+00
## plum1           1.000000e+00 1.000000000 1.000000e+00 1.000000e+00 1.000000e+00
## plum2           1.000000e+00 1.000000000 1.000000e+00 1.000000e+00 1.000000e+00
## purple          1.000000e+00 1.000000000 1.000000e+00 1.000000e+00 1.000000e+00
## red             1.000000e+00 1.000000000 1.000000e+00 1.000000e+00 1.000000e+00
## royalblue       1.000000e+00 1.000000000 1.000000e+00 1.000000e+00 1.000000e+00
## salmon          1.000000e+00 1.000000000 1.000000e+00 1.000000e+00 1.000000e+00
## salmon4         1.000000e+00 1.000000000 1.000000e+00 1.000000e+00 1.000000e+00
## sienna3         1.000000e+00 1.000000000 1.000000e+00 1.000000e+00 1.000000e+00
## skyblue         1.000000e+00 1.000000000 4.211589e-03 1.000000e+00 1.000000e+00
## skyblue3        1.000000e+00 1.000000000 2.413346e-02 1.000000e+00 1.000000e+00
## steelblue       1.000000e+00 1.000000000 1.751180e-01 1.000000e+00 1.000000e+00
## tan             1.000000e+00 1.000000000 1.000000e+00 1.000000e+00 1.000000e+00
## thistle1        1.000000e+00 1.000000000 1.000000e+00 1.000000e+00 1.000000e+00
## thistle2        1.000000e+00 1.000000000 1.000000e+00 1.000000e+00 1.000000e+00
## turquoise       1.000000e+00 1.000000000 1.000000e+00 1.000000e+00 1.000000e+00
## violet          1.000000e+00 1.000000000 1.000000e+00 1.000000e+00 2.579526e-10
## white           1.000000e+00 1.000000000 1.000000e+00 1.000000e+00 1.265739e-13
## yellow          1.000000e+00 1.000000000 1.000000e+00 1.000000e+00 1.702289e-02
## yellowgreen     1.000000e+00 1.000000000 1.000000e+00 1.000000e+00 1.000000e+00
##                         red    royalblue       salmon    turquoise       yellow
## bisque4         1.000000000 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## black           1.000000000 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## blue            1.000000000 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## brown           1.000000000 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## brown4          1.000000000 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## cyan            1.000000000 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## darkgreen       1.000000000 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## darkgrey        1.000000000 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## darkmagenta     1.000000000 1.000000e+00 5.352867e-01 1.000000e+00 1.000000e+00
## darkolivegreen  1.000000000 1.000000e+00 2.690113e-06 1.000000e+00 1.000000e+00
## darkorange      1.000000000 1.000000e+00 1.055815e-01 1.000000e+00 1.000000e+00
## darkorange2     1.000000000 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## darkred         1.000000000 1.000000e+00 1.000000e+00 1.716389e-02 1.000000e+00
## darkslateblue   1.000000000 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## darkturquoise   1.000000000 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## floralwhite     1.000000000 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## green           1.000000000 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## greenyellow     1.000000000 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## grey60          1.000000000 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## honeydew1       1.000000000 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## ivory           1.000000000 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## lavenderblush3  1.000000000 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## lightcyan       1.000000000 1.000000e+00 3.008642e-03 1.000000e+00 1.000000e+00
## lightcyan1      1.000000000 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## lightgreen      1.000000000 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## lightpink4      1.000000000 1.000000e+00 3.399254e-02 1.000000e+00 1.000000e+00
## lightsteelblue1 1.000000000 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## lightyellow     1.000000000 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## magenta         1.000000000 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## maroon          1.000000000 1.000000e+00 1.000000e+00 6.799571e-01 1.000000e+00
## mediumpurple3   1.000000000 1.000000e+00 1.000000e+00 2.104149e-11 1.000000e+00
## midnightblue    1.000000000 1.000000e+00 1.000000e+00 5.212401e-09 1.000000e+00
## navajowhite2    1.000000000 1.000000e+00 1.000000e+00 1.801779e-10 1.000000e+00
## orange          1.000000000 1.000000e+00 1.000000e+00 1.020745e-17 1.000000e+00
## paleturquoise   1.000000000 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## palevioletred3  0.513110055 6.364488e-01 1.000000e+00 1.000000e+00 1.000000e+00
## pink            1.000000000 1.366139e-01 1.000000e+00 1.000000e+00 1.000000e+00
## plum1           1.000000000 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## plum2           1.000000000 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## purple          1.000000000 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## red             1.000000000 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## royalblue       1.000000000 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## salmon          1.000000000 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## salmon4         1.000000000 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## sienna3         1.000000000 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## skyblue         1.000000000 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## skyblue3        1.000000000 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## steelblue       1.000000000 1.667492e-02 1.000000e+00 1.000000e+00 1.000000e+00
## tan             1.000000000 1.989381e-23 1.000000e+00 1.000000e+00 1.000000e+00
## thistle1        1.000000000 3.297102e-16 1.000000e+00 1.000000e+00 1.000000e+00
## thistle2        1.000000000 1.473867e-01 1.000000e+00 1.000000e+00 1.463096e-17
## turquoise       1.000000000 1.000000e+00 1.000000e+00 1.000000e+00 2.401383e-32
## violet          1.000000000 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## white           1.000000000 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## yellow          1.000000000 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## yellowgreen     0.001964765 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00

Hacemos lo propio, ahora comparando la gold standard con la red dada por \(40\) bootstraps.

expr.data40 <- expr.data[rownames(net.190.40$MEs),]
mms.40 = getMM(net = net.190.40,expr.data.file = expr.data40,genes = NULL)

mms.40$module <- as.factor(mms.40$module)
nombres40 <- c()
for(i in levels(mms.40$module)){
  suma = sum(net.190.40$moduleColors == i)
  percent = 5*suma/100
  percent = round(percent,digits = 0)
  mms <- mms.net[which(mms.net$module == i),]
  mmsOrder <- mms[order(mms$mm,decreasing = T),]
  
  for(j in 1:percent){
    nombres40 <- c(nombres40,mmsOrder$ensgene[j])
  }
}
nombres40 <- nombres40[-1]

net.MM.module.40 <- net.190.40$moduleColors[nombres40]

genCrossTabPlot(net.MM.module
                ,net.MM.module.40)

## Warning in greenWhiteRed(100): WGCNA::greenWhiteRed: this palette is not suitable for people
## with green-red color blindness (the most common kind of color blindness).
## Consider using the function blueWhiteRed instead.

##                        black         blue        brown         cyan
## bisque4         1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## black           1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## blue            4.663105e-02 1.000000e+00 1.000000e+00 2.638315e-13
## brown           6.770147e-03 1.000000e+00 1.000000e+00 7.584689e-18
## brown4          2.541023e-01 1.110317e-04 1.000000e+00 3.311888e-02
## cyan            1.000000e+00 5.533467e-14 1.000000e+00 1.000000e+00
## darkgreen       1.000000e+00 3.138983e-15 1.000000e+00 1.000000e+00
## darkgrey        1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## darkmagenta     1.000000e+00 7.605508e-01 1.000000e+00 1.000000e+00
## darkolivegreen  1.000000e+00 5.911889e-01 1.000000e+00 1.000000e+00
## darkorange      1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## darkorange2     1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## darkred         1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## darkslateblue   1.000000e+00 1.000000e+00 2.440324e-04 1.000000e+00
## darkturquoise   1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## floralwhite     1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## green           1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## greenyellow     1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## grey60          1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## honeydew1       1.000000e+00 2.155487e-01 1.000000e+00 1.000000e+00
## ivory           1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## lavenderblush3  1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## lightcyan       1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## lightcyan1      1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## lightgreen      1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## lightpink4      1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## lightsteelblue1 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## lightyellow     1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## magenta         1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## maroon          1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## mediumpurple3   1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## midnightblue    1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## navajowhite2    1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## orange          1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## paleturquoise   1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## palevioletred3  1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## pink            1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## plum1           1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## plum2           1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## purple          1.000000e+00 1.000000e+00 1.009091e-06 1.000000e+00
## red             1.000000e+00 1.000000e+00 1.632718e-05 1.000000e+00
## royalblue       1.000000e+00 1.000000e+00 3.942079e-03 1.000000e+00
## salmon          1.000000e+00 1.000000e+00 4.196944e-04 1.000000e+00
## salmon4         1.000000e+00 1.000000e+00 1.877060e-08 1.000000e+00
## sienna3         1.000000e+00 1.000000e+00 1.245352e-14 1.000000e+00
## skyblue         1.000000e+00 1.000000e+00 1.285756e-13 1.000000e+00
## skyblue3        1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## steelblue       1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## tan             3.215599e-10 1.000000e+00 1.000000e+00 1.000000e+00
## thistle1        5.483265e-06 1.000000e+00 1.000000e+00 1.000000e+00
## thistle2        6.320881e-01 1.000000e+00 1.000000e+00 1.000000e+00
## turquoise       1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## violet          1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## white           1.000000e+00 1.000000e+00 1.000000e+00 1.444141e-03
## yellow          1.000000e+00 1.000000e+00 1.000000e+00 1.589397e-02
## yellowgreen     1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
##                    darkgreen     darkgrey      darkred darkturquoise     green
## bisque4         1.000000e+00 1.000000e+00 1.000000e+00  1.000000e+00 1.0000000
## black           1.000000e+00 1.000000e+00 1.000000e+00  1.000000e+00 1.0000000
## blue            1.000000e+00 1.000000e+00 1.000000e+00  1.000000e+00 1.0000000
## brown           1.000000e+00 1.000000e+00 1.000000e+00  1.000000e+00 1.0000000
## brown4          1.000000e+00 1.000000e+00 1.000000e+00  1.000000e+00 1.0000000
## cyan            1.000000e+00 1.000000e+00 1.000000e+00  1.000000e+00 1.0000000
## darkgreen       1.000000e+00 1.000000e+00 1.000000e+00  1.000000e+00 1.0000000
## darkgrey        1.000000e+00 1.000000e+00 1.000000e+00  1.000000e+00 1.0000000
## darkmagenta     1.000000e+00 1.000000e+00 1.000000e+00  1.000000e+00 1.0000000
## darkolivegreen  1.000000e+00 1.000000e+00 1.000000e+00  1.000000e+00 1.0000000
## darkorange      1.000000e+00 1.000000e+00 1.000000e+00  1.000000e+00 1.0000000
## darkorange2     1.000000e+00 1.000000e+00 1.000000e+00  1.000000e+00 1.0000000
## darkred         1.000000e+00 1.000000e+00 1.000000e+00  1.000000e+00 1.0000000
## darkslateblue   1.000000e+00 1.000000e+00 1.000000e+00  1.000000e+00 1.0000000
## darkturquoise   1.000000e+00 3.247938e-13 1.000000e+00  1.000000e+00 1.0000000
## floralwhite     1.000000e+00 1.480027e-28 1.000000e+00  1.000000e+00 1.0000000
## green           1.000000e+00 1.000000e+00 1.000000e+00  1.000000e+00 1.0000000
## greenyellow     1.000000e+00 1.000000e+00 1.000000e+00  1.000000e+00 1.0000000
## grey60          1.000000e+00 1.000000e+00 1.000000e+00  1.000000e+00 1.0000000
## honeydew1       1.000000e+00 1.000000e+00 1.000000e+00  8.015817e-10 1.0000000
## ivory           1.000000e+00 1.000000e+00 1.000000e+00  1.000000e+00 1.0000000
## lavenderblush3  1.000000e+00 1.000000e+00 1.000000e+00  1.000000e+00 1.0000000
## lightcyan       1.000000e+00 1.000000e+00 1.000000e+00  1.000000e+00 1.0000000
## lightcyan1      1.000000e+00 1.000000e+00 2.631572e-03  1.000000e+00 1.0000000
## lightgreen      1.000000e+00 1.000000e+00 3.092671e-30  1.000000e+00 1.0000000
## lightpink4      1.000000e+00 1.000000e+00 5.875984e-05  1.000000e+00 1.0000000
## lightsteelblue1 1.267713e-02 1.000000e+00 4.901450e-02  1.000000e+00 1.0000000
## lightyellow     2.067475e-06 1.000000e+00 1.000000e+00  1.000000e+00 1.0000000
## magenta         2.001924e-01 1.000000e+00 1.000000e+00  1.000000e+00 1.0000000
## maroon          1.000000e+00 1.000000e+00 1.000000e+00  1.000000e+00 1.0000000
## mediumpurple3   1.000000e+00 1.000000e+00 1.000000e+00  1.000000e+00 0.9930035
## midnightblue    1.000000e+00 1.000000e+00 1.000000e+00  1.000000e+00 1.0000000
## navajowhite2    1.000000e+00 1.000000e+00 1.000000e+00  1.000000e+00 1.0000000
## orange          1.000000e+00 1.000000e+00 1.000000e+00  1.000000e+00 0.1139753
## paleturquoise   1.000000e+00 1.000000e+00 1.000000e+00  1.000000e+00 1.0000000
## palevioletred3  1.000000e+00 1.000000e+00 1.000000e+00  1.000000e+00 1.0000000
## pink            1.000000e+00 1.000000e+00 1.000000e+00  1.000000e+00 1.0000000
## plum1           1.000000e+00 1.000000e+00 1.000000e+00  1.000000e+00 1.0000000
## plum2           1.000000e+00 1.000000e+00 1.000000e+00  1.000000e+00 1.0000000
## purple          1.000000e+00 1.000000e+00 1.000000e+00  1.000000e+00 1.0000000
## red             1.000000e+00 1.000000e+00 1.000000e+00  1.000000e+00 1.0000000
## royalblue       1.000000e+00 1.000000e+00 1.000000e+00  1.000000e+00 1.0000000
## salmon          1.000000e+00 1.000000e+00 1.000000e+00  1.000000e+00 1.0000000
## salmon4         1.000000e+00 1.000000e+00 1.000000e+00  1.000000e+00 1.0000000
## sienna3         1.000000e+00 1.000000e+00 1.000000e+00  1.000000e+00 1.0000000
## skyblue         1.000000e+00 1.000000e+00 1.000000e+00  1.000000e+00 1.0000000
## skyblue3        1.000000e+00 1.000000e+00 1.000000e+00  1.000000e+00 1.0000000
## steelblue       1.000000e+00 1.000000e+00 1.000000e+00  1.000000e+00 1.0000000
## tan             1.000000e+00 1.000000e+00 1.000000e+00  1.000000e+00 1.0000000
## thistle1        1.000000e+00 1.000000e+00 1.000000e+00  1.000000e+00 1.0000000
## thistle2        1.000000e+00 1.000000e+00 1.000000e+00  1.000000e+00 1.0000000
## turquoise       1.000000e+00 1.000000e+00 1.000000e+00  1.000000e+00 1.0000000
## violet          1.000000e+00 1.000000e+00 1.000000e+00  1.000000e+00 1.0000000
## white           1.000000e+00 1.000000e+00 1.000000e+00  1.000000e+00 1.0000000
## yellow          1.000000e+00 1.000000e+00 1.000000e+00  1.739471e-05 1.0000000
## yellowgreen     1.000000e+00 1.000000e+00 1.000000e+00  1.688640e-15 1.0000000
##                  greenyellow       grey60    lightcyan lightgreen lightyellow
## bisque4         1.000000e+00 1.000000e+00 1.000000e+00 1.00000000   1.0000000
## black           1.000000e+00 1.000000e+00 1.000000e+00 1.00000000   1.0000000
## blue            1.000000e+00 1.000000e+00 1.000000e+00 1.00000000   1.0000000
## brown           1.000000e+00 1.000000e+00 1.000000e+00 1.00000000   0.7361252
## brown4          1.000000e+00 1.000000e+00 1.000000e+00 1.00000000   1.0000000
## cyan            1.000000e+00 1.000000e+00 1.000000e+00 1.00000000   1.0000000
## darkgreen       1.000000e+00 1.000000e+00 1.000000e+00 1.00000000   1.0000000
## darkgrey        1.000000e+00 1.000000e+00 1.000000e+00 1.00000000   1.0000000
## darkmagenta     2.350541e-01 1.000000e+00 1.000000e+00 1.00000000   1.0000000
## darkolivegreen  7.215033e-01 1.000000e+00 1.000000e+00 1.00000000   1.0000000
## darkorange      1.000000e+00 1.000000e+00 1.000000e+00 1.00000000   1.0000000
## darkorange2     1.000000e+00 1.000000e+00 1.000000e+00 1.00000000   1.0000000
## darkred         1.000000e+00 1.000000e+00 4.048574e-01 1.00000000   1.0000000
## darkslateblue   1.000000e+00 1.000000e+00 4.101287e-05 1.00000000   1.0000000
## darkturquoise   1.000000e+00 1.000000e+00 3.187795e-01 1.00000000   1.0000000
## floralwhite     1.000000e+00 1.000000e+00 1.000000e+00 1.00000000   0.5989061
## green           1.000000e+00 1.000000e+00 1.000000e+00 1.00000000   1.0000000
## greenyellow     1.000000e+00 1.000000e+00 1.000000e+00 1.00000000   1.0000000
## grey60          1.000000e+00 1.000000e+00 1.000000e+00 0.75993167   1.0000000
## honeydew1       1.000000e+00 1.000000e+00 1.000000e+00 0.06052122   1.0000000
## ivory           1.000000e+00 1.230031e-05 1.000000e+00 0.32232915   1.0000000
## lavenderblush3  1.000000e+00 1.687814e-06 1.000000e+00 1.00000000   1.0000000
## lightcyan       1.000000e+00 3.329144e-16 1.000000e+00 0.45869706   1.0000000
## lightcyan1      1.000000e+00 1.076436e-06 1.000000e+00 1.00000000   1.0000000
## lightgreen      1.000000e+00 1.000000e+00 1.000000e+00 1.00000000   1.0000000
## lightpink4      1.000000e+00 1.000000e+00 1.000000e+00 1.00000000   1.0000000
## lightsteelblue1 1.000000e+00 1.000000e+00 1.000000e+00 1.00000000   1.0000000
## lightyellow     1.000000e+00 1.000000e+00 1.000000e+00 1.00000000   1.0000000
## magenta         1.000000e+00 1.000000e+00 1.000000e+00 1.00000000   1.0000000
## maroon          1.000000e+00 1.000000e+00 1.000000e+00 1.00000000   1.0000000
## mediumpurple3   1.000000e+00 1.000000e+00 1.000000e+00 1.00000000   1.0000000
## midnightblue    1.000000e+00 1.000000e+00 1.000000e+00 1.00000000   1.0000000
## navajowhite2    2.350541e-01 1.000000e+00 1.000000e+00 1.00000000   1.0000000
## orange          4.572128e-01 1.000000e+00 1.000000e+00 1.00000000   1.0000000
## paleturquoise   1.000000e+00 1.000000e+00 1.000000e+00 1.00000000   1.0000000
## palevioletred3  1.000000e+00 1.000000e+00 1.000000e+00 1.00000000   1.0000000
## pink            1.000000e+00 1.000000e+00 1.000000e+00 1.00000000   1.0000000
## plum1           1.000000e+00 1.000000e+00 1.000000e+00 0.32232915   1.0000000
## plum2           1.000000e+00 1.000000e+00 1.000000e+00 1.00000000   1.0000000
## purple          1.000000e+00 1.000000e+00 1.000000e+00 1.00000000   1.0000000
## red             1.000000e+00 1.000000e+00 4.658267e-02 1.00000000   1.0000000
## royalblue       1.000000e+00 1.000000e+00 8.582756e-05 1.00000000   1.0000000
## salmon          1.000000e+00 1.000000e+00 5.777977e-06 1.00000000   1.0000000
## salmon4         1.000000e+00 1.000000e+00 1.000000e+00 1.00000000   1.0000000
## sienna3         1.000000e+00 1.000000e+00 1.000000e+00 1.00000000   1.0000000
## skyblue         1.000000e+00 1.000000e+00 1.000000e+00 1.00000000   1.0000000
## skyblue3        4.942081e-13 1.000000e+00 1.000000e+00 1.00000000   1.0000000
## steelblue       2.191298e-19 1.000000e+00 1.000000e+00 1.00000000   1.0000000
## tan             1.000000e+00 1.000000e+00 1.000000e+00 1.00000000   1.0000000
## thistle1        1.000000e+00 1.000000e+00 1.000000e+00 1.00000000   1.0000000
## thistle2        1.000000e+00 1.000000e+00 2.557920e-11 1.00000000   1.0000000
## turquoise       1.000000e+00 1.000000e+00 2.336710e-03 1.00000000   1.0000000
## violet          1.000000e+00 1.000000e+00 1.000000e+00 1.00000000   1.0000000
## white           1.000000e+00 1.000000e+00 1.000000e+00 1.00000000   1.0000000
## yellow          1.000000e+00 1.000000e+00 1.000000e+00 1.00000000   1.0000000
## yellowgreen     1.000000e+00 1.000000e+00 1.000000e+00 1.00000000   1.0000000
##                      magenta midnightblue         pink       purple
## bisque4         1.000000e+00 4.314202e-14 1.000000e+00 1.000000e+00
## black           1.000000e+00 2.617508e-16 1.000000e+00 1.000000e+00
## blue            1.000000e+00 5.670411e-01 1.000000e+00 1.000000e+00
## brown           1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## brown4          1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## cyan            1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## darkgreen       1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## darkgrey        1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## darkmagenta     1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## darkolivegreen  1.000000e+00 1.000000e+00 1.000000e+00 4.572128e-01
## darkorange      1.000000e+00 1.000000e+00 1.000000e+00 1.111385e-01
## darkorange2     1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## darkred         1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## darkslateblue   1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## darkturquoise   1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## floralwhite     1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## green           1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## greenyellow     1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## grey60          1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## honeydew1       1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## ivory           1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## lavenderblush3  1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## lightcyan       1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## lightcyan1      1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## lightgreen      1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## lightpink4      1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## lightsteelblue1 1.000000e+00 1.000000e+00 8.471791e-04 1.000000e+00
## lightyellow     1.000000e+00 1.000000e+00 1.363374e-02 1.000000e+00
## magenta         1.000000e+00 1.000000e+00 8.239200e-11 1.000000e+00
## maroon          1.000000e+00 1.000000e+00 3.996206e-12 1.000000e+00
## mediumpurple3   1.000000e+00 1.000000e+00 1.329010e-08 1.000000e+00
## midnightblue    1.000000e+00 1.000000e+00 2.957208e-02 1.000000e+00
## navajowhite2    1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## orange          1.000000e+00 4.794213e-02 1.000000e+00 1.000000e+00
## paleturquoise   1.000000e+00 1.017219e-19 1.000000e+00 1.000000e+00
## palevioletred3  1.000000e+00 2.440324e-04 1.000000e+00 1.000000e+00
## pink            3.362483e-08 2.338526e-01 1.000000e+00 1.000000e+00
## plum1           1.329010e-08 1.000000e+00 1.000000e+00 1.000000e+00
## plum2           4.391408e-20 1.000000e+00 1.000000e+00 1.000000e+00
## purple          1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## red             1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## royalblue       1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## salmon          1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## salmon4         1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## sienna3         1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## skyblue         1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## skyblue3        1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## steelblue       1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## tan             1.000000e+00 1.000000e+00 1.000000e+00 8.269665e-03
## thistle1        1.000000e+00 1.000000e+00 1.000000e+00 2.032374e-06
## thistle2        1.000000e+00 1.000000e+00 1.000000e+00 8.258828e-01
## turquoise       1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## violet          1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## white           1.000000e+00 1.000000e+00 1.154469e-06 1.000000e+00
## yellow          1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## yellowgreen     1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
##                          red    royalblue       salmon    turquoise
## bisque4         1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## black           1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## blue            1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## brown           1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## brown4          1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## cyan            1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## darkgreen       1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## darkgrey        1.000000e+00 8.928950e-04 1.000000e+00 1.000000e+00
## darkmagenta     1.000000e+00 6.860078e-07 1.000000e+00 1.000000e+00
## darkolivegreen  1.000000e+00 5.248943e-06 1.000000e+00 1.000000e+00
## darkorange      1.000000e+00 1.013929e-02 1.000000e+00 2.109442e-04
## darkorange2     1.000000e+00 1.000000e+00 1.000000e+00 1.737279e-15
## darkred         1.000000e+00 1.000000e+00 1.000000e+00 1.097285e-06
## darkslateblue   1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## darkturquoise   1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## floralwhite     1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## green           4.186279e-19 1.000000e+00 1.000000e+00 1.000000e+00
## greenyellow     4.186279e-19 1.000000e+00 1.000000e+00 1.000000e+00
## grey60          7.588686e-07 1.000000e+00 1.000000e+00 1.000000e+00
## honeydew1       1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## ivory           1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## lavenderblush3  1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## lightcyan       1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## lightcyan1      1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## lightgreen      1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## lightpink4      1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## lightsteelblue1 1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## lightyellow     1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## magenta         1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## maroon          1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## mediumpurple3   1.000000e+00 8.882998e-01 1.000000e+00 1.000000e+00
## midnightblue    1.000000e+00 1.000000e+00 1.000000e+00 1.319003e-03
## navajowhite2    1.000000e+00 1.000000e+00 1.000000e+00 1.058369e-07
## orange          1.000000e+00 1.000000e+00 1.000000e+00 1.477375e-02
## paleturquoise   1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## palevioletred3  1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## pink            1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## plum1           1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## plum2           1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## purple          1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## red             1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## royalblue       1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## salmon          1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## salmon4         1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## sienna3         1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## skyblue         1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## skyblue3        1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## steelblue       1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## tan             1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## thistle1        1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## thistle2        1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## turquoise       1.000000e+00 1.000000e+00 1.861931e-25 1.000000e+00
## violet          1.000000e+00 1.000000e+00 3.329144e-16 1.000000e+00
## white           1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## yellow          1.000000e+00 1.000000e+00 1.000000e+00 1.000000e+00
## yellowgreen     6.787489e-01 1.000000e+00 1.000000e+00 1.000000e+00

En los dos gráficos correspondientes se puede ver cómo los genes de un módulo correspondiente de la gold standard sólo se relaciona con un módulo único de la red bootstraps. Sin embargo, un módulo de la red bootstraps si contiene más de un gen de distintos módulos de la gold standard. Esto ocurre debido a la diferencia entre la cantidad de módulos de las dos redes, pero que un módulo de la gold standard sólo relacione módulos con uno de la red bootstraps es, en este caso, una característica positiva.

Si intentamos comparar los dos gráficos de overlaps, podemos ver cómo la red con \(40\) bootstraps tiene mayor singificancia en cuanto a la relación de ciertos módulos. Es decir, existen muy pocos casos en los que un módulo contenga genes importantes de más de dos módulos de la gold standard. En este sentido, se tiene una mejor aproximación con la red de \(40\) bootstraps según este gráfico de overlaps.

Analisis de Resultados sobre la Primera Simulacion

Jose Antonio Castellón García

11/6/2020